- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习与统计学
OpenAI Codex 使用教程
之前推过两篇 OpenAI Codex 相关，偏方法论 OpenAI 团队如何使用CodeX，6 项最佳实践 Codex Windows 客户端来了，深读官方文档后我有 5 个判断 刚好这个周末，我的 更直观 比 IDE 插件更独立 比 Web 更贴近本地开发 线程、终端、diff、Git、worktree 这些能力都能在一个界面里看到 这篇文章我只讲 App，不讲 CLI 和 IDE，目标是让你 10 国产模型支持 不订阅 ChatGPT 也可以用 Codex 修改两个地方 ~/.codex/auth.json { "OPENAI_API_KEY": "sk-" } ~/.codex/config.toml
1.8K32编辑于 2026-03-27 - 来自专栏XINDOO的专栏
OpenAI Assistants-API简明教程
assistants-api目前还处于beta版本，但从OpenAI的规划来看，后续应该是会支持DALLE3、gpt4-v甚至是plugin的，我们可以期待下。 创建助手 这里首先需要将我们的flower_prices.csv转成Assistant能使用的file，使用如下代码即可：from openai import OpenAIclient = OpenAI (base_url='https://thales.xindoo.xyz/openai/v1/')# 将文件上传至openAI保存file = client.files.create( file=open 那边还没有任何操作，这个可能是OpenAI利用懒加载来减轻对服务端的压力。 完整的代码我已上传至Github上https://github.com/xindoo/openai-examples/blob/main/flower_assistant.ipynb，后续OpenAI其他
2.2K01编辑于 2023-11-19 - 来自专栏山行AI
OpenAI官方提示词教程与实战指南
- 土地成本为每平方英尺100美元 - 我可以以每平方英尺250美元购买太阳能电池板 - 我协商了一份维护合同，每年将花费我固定的10万美元，并额外支付每平方英尺10美元 第一年运营的总成本是多少， 维护成本：100,000 + 10x 总成本：100x + 250x + 100,000 + 10x = 360x + 100,000 学生的解答是不正确的。 这是使用OpenAI模型调用外部函数的推荐方法。要了解更多信息，请参阅我们的文本生成指南中的'函数调用'章节，并在OpenAI Cookbook中查看更多'函数调用示例'。 10% ~100 3% ~1,000 1% ~10,000 输出可以通过计算机、人类或两者混合进行评估。 with OpenAI API | OpenAI Help Center[88]
1.4K11编辑于 2023-12-28 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——多智能体系统
Python OpenAI Gym 中级教程：多智能体系统 在强化学习中，多智能体系统涉及到多个智能体相互作用的情况。 在本篇博客中，我们将介绍如何在 OpenAI Gym 中构建和训练多智能体系统，并使用 Multi-Agent Deep Deterministic Policy Gradients（MADDPG）算法进行协同训练 安装依赖 首先，确保你已经安装了 OpenAI Gym 和其他必要的依赖： pip install gym pip install numpy pip install tensorflow pip install optimizer2.apply_gradients(zip(gradients2, model2.trainable_variables)) if episode % 10 这个示例可以作为入门多智能体强化学习的起点，同时展示了 TensorFlow 和 OpenAI Gym 在多智能体环境中的基本应用。希望这篇博客对你理解和应用多智能体系统有所帮助。
72310编辑于 2024-02-03 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——环境定制与创建
Python OpenAI Gym 中级教程：环境定制与创建 OpenAI Gym 是一个强化学习算法测试平台，提供了许多标准化的环境供用户使用。然而，有时候我们需要定制自己的环境以适应特定的问题。 本篇博客将介绍如何在 OpenAI Gym 中定制和创建环境，并提供详细的代码示例。 1. 安装 OpenAI Gym 首先，确保你已经安装了 OpenAI Gym： pip install gym 2. 创建一个简单的定制环境 让我们从创建一个简单的自定义环境开始。 总结 本篇博客介绍了如何在 OpenAI Gym 中创建和定制环境。通过实现自定义环境，你可以更灵活地适应不同的问题，并使用 Gym 提供的标准化工具来测试和比较强化学习算法。
1.9K10编辑于 2024-01-31 - 来自专栏波波烤鸭
Redis教程10(事务)
在MULTI命令执行之后，我们可以继续发送命令执行，但此时命令不会立即执行，而是保持到一个队列中，如下
43640发布于 2019-04-02 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——强化学习实践项目
Python OpenAI Gym 中级教程：强化学习实践项目 1. 安装依赖 首先，确保你已经安装了必要的依赖： pip install gym[box2d] tensorflow 2. 总结 通过这个实际项目，我们演示了如何在 OpenAI Gym 中使用深度 Q 网络（DQN）来解决经典的 CartPole 问题。 这个项目为初学者提供了一个实践的起点，同时展示了在强化学习任务中使用 TensorFlow 和 OpenAI Gym 的基本步骤。希望这篇博客能够帮助你更好地理解和应用强化学习算法。
52510编辑于 2024-02-03 - 来自专栏数据结构和算法
OpenAI Gym 中级教程——深入强化学习算法
Python OpenAI Gym 中级教程：深入强化学习算法 OpenAI Gym 是一个用于开发和比较强化学习算法的工具包，提供了多个环境，包括经典的控制问题和 Atari 游戏。 安装 OpenAI Gym 首先，确保你已经安装了 OpenAI Gym： pip install gym 2. 在 OpenAI Gym 中，智能体在环境中执行动作，观察环境的反馈，并根据反馈调整策略。 3. 深度 Q 网络（DQN） DQN 是一种用于解决离散动作空间问题的强化学习算法。 state) next_state, reward, done, _ = env.step(action) reward = reward if not done else -10 希望这篇博客能够帮助你更深入地理解 OpenAI Gym 中的强化学习算法。
1.3K10编辑于 2024-01-30 - 来自专栏JavaPark
JavaScript 教程「10」：DOM 事件
// 函数表达式调用 sum1(10, 20); // 普通函数调用 sum2(10, 20); 回调函数 如果有两个函数 A 和 B，假设我们将函数 A 作为参数传递给函数 B，那么我们此时将函数 A
65921编辑于 2022-05-23 - 来自专栏Java进阶架构师
Springboot2.0教程（10）
Springboot2.0教程（2） 年后发哈 是飒飒无意义的刷刷子的刷刷子 这是无意 消息的特点 Message Queue把请求的压力保存一下，逐渐释放出来，让处理者按照自己的节奏来处理。
31100发布于 2020-03-16 - 来自专栏风吹屁屁凉的分享
maccmV10建站教程
这里也顺便做一个建站的教程，供大家参考！ 一、首先是在官网下载maccmsV10版本，官网的地址请大家注意不要搞错了！maccms.la 二、配置服务器环境，数据库等，这里不细说了。 这里网上教程很多，不再多说了！ 至此，可以开始采集数据了，采集完，基本就可以了！
1.4K30发布于 2021-07-14 - 来自专栏EdisonTalk
MongoDB入门实战教程（10）
2 writeConcern应用 Mongo Shell实验 首先，确保你已经搭建好了一个MongoDB的复制集（replica set），参考《MongoDB入门实战教程（2）》。 其次，为了模拟网络延迟等待的效果，我们首先在primary节点上通过mongo shell为一个secondary节点设置slaveDelay参数为10s，代表这个secondary节点要等待10s才会被同步数据 PRIMARY> conf = rs.conf() // 查看当前所有members rs0:PRIMARY> conf.members // 为第2个secondary节点设置slaveDelay=10s 这里我们先来一个writeConcern=3，即所有3个节点都写成功了才算写入成功，预期结果是等待10s才能成功。 rs0:PRIMARY> db.testDB.insert({count:100}, {writeConcern:{w:3}}) 实际结果：等待第2个secondary节点的延迟10s之后才会响应写入成功
62920发布于 2021-07-08 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （1）
英文文档原文详见 OpenAI Agents SDK https://openai.github.io/openai-agents-python/ 本文是OpenAI-agents-sdk-python 使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2)OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 目录 OpenAI API 密钥 如果您没有，请按照这些说明创建 OpenAI API 密钥。 export OPENAI_API_KEY=sk-...
2.5K30编辑于 2025-03-13 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （2）
英文文档原文详见 https://openai.github.io/openai-agents-python/ 本文是OpenAI-agents-sdk-python使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2) OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 代理 代理是应用程序中的核心构建块 model model_provider：用于查找模型名称的模型提供程序，默认为 OpenAI。 model_settings：覆盖特定于代理的设置。 ItemHelpers, Runner, function_tool @function_tool def how_many_jokes() -> int: return random.randint(1, 10 FileSearchTool 允许从您的 OpenAI 矢量存储中检索信息。 ComputerTool 允许自动执行计算机使用任务。
2.1K21编辑于 2025-03-13 - 来自专栏数据结构和算法
OpenAI Gym高级教程——领域自适应强化学习
Python中的OpenAI Gym高级教程——领域自适应强化学习 导言 OpenAI Gym是一个为强化学习任务提供统一接口的开源平台，它允许研究人员和开发者使用标准化的环境进行实验和开发。 本教程将介绍OpenAI Gym的高级用法，重点关注领域自适应强化学习，通过代码示例帮助您理解如何在不同环境中实现自适应性。 安装OpenAI Gym 首先，确保您已经安装了Python和pip。 ) else: return 1 agent = AdaptiveAgent(env.action_space) for episode in range(10 结论 本教程介绍了如何使用OpenAI Gym进行高级强化学习任务，并重点讨论了领域自适应。通过自定义环境和实现自适应Agent，您可以更好地理解如何应对不同类型的强化学习问题。 通过这篇博客教程，您可以详细了解OpenAI Gym的高级用法，特别是如何在不同环境中实现自适应性强化学习。您可以根据需要对代码进行修改和扩展，以满足特定问题的需求。
68510编辑于 2024-02-08 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （7）
来自 LLM 的流式处理事件。这些是 “原始” 事件，即它们直接传递 来自 LLM。
50510编辑于 2025-03-18 - 来自专栏数据结构和算法
OpenAI Gym 中级教程----深入解析 Gym 代码和结构
Python OpenAI Gym 中级教程：深入解析 Gym 代码和结构 OpenAI Gym 是一个用于开发和测试强化学习算法的工具包。 希望本篇博客能够帮助你更好地利用 OpenAI Gym 进行强化学习的研究和实践。
1.4K11编辑于 2024-02-01 - 来自专栏大模型
OpenAI 开源模型 gpt-oss 本地部署详细教程
OpenAI最近发布了其首个开源的开放权重模型gpt-oss，这在AI圈引起了巨大的轰动。对于广大开发者和AI爱好者来说，这意味着我们终于可以在自己的机器上，完全本地化地运行和探索这款强大的模型了。 本教程将一步一步指导你如何在Windows和Linux系统上，借助极其便捷的本地大模型运行框架Ollama，轻松部署和使用gpt-oss模型。 ==当然我自己电脑的性能要差点==二、了解gpt-oss模型gpt-oss是OpenAI发布的开放权重语言模型，截止到2025年8月8日，提供了gpt-oss-120b和gpt-oss-20b两个版本。 官方GitHub仓库:https://github.com/openai/gpt-oss三、安装Ollama：本地部署的神器Ollama是一个开源框架，它极大地简化了在本地运行Llama,Mistral 总结通过本教程，我们成功地在一台普通的Windows电脑上，使用Ollama轻松部署了OpenAI的gpt-oss模型。
1.7K21编辑于 2025-11-24 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （4）
英文文档原文详见 OpenAI Agents SDK 本文是OpenAI-agents-sdk-python使用翻译软件翻译后的中文文档/教程。 分多个帖子发布，帖子的目录如下： (1) OpenAI 代理 SDK， 介绍及快速入门 (2)OpenAI agents sdk, agents，运行agents，结果，流，工具，交接 (3) OpenAi 模型 代理 SDK 提供对 OpenAI 模型的开箱即用支持，有两种风格： 推荐：OpenAIResponsesModel，它使用新的响应 API 调用 OpenAI API。 OPENAI_API_KEY from agents import set_default_openai_key set_default_openai_key("sk-...") ", api_key="...") set_default_openai_client(custom_client) 最后，您还可以自定义使用的 OpenAI API。
1.9K10编辑于 2025-03-14 - 来自专栏WTSolutions
OpenAI Agents SDK 中文文档 中文教程 （5）
代理模块 set_default_openai_key set_default_openai_key( key: str, use_for_tracing: bool = True ) -> None 这是 仅当尚未设置 OPENAI_API_KEY 环境变量时才需要。 如果提供，将使用此键而不是 OPENAI_API_KEY 环境变量。 参数： 名字 类型 描述 违约 key str 要使用的 OpenAI 密钥。 必填 use_for_tracing bool 是否也使用此 key 向 OpenAI 发送跟踪。 True 源码 src/agents/__init__.py set_default_openai_client set_default_openai_client( 如果提供，则此 client 而不是默认的 OpenAI 客户端。 参数： 名字 类型 描述 违约 client AsyncOpenAI 要使用的 OpenAI 客户端。
85200编辑于 2025-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号